SAR 影像与光学影像融合

有的像素级融合技术来融合SAR和光学图像时,会使光学影像的光谱特征或微波后向散射信息或两者同时受损。因此,有必要发展一种专门针对特区光学图像融合的技术,以充分利用两种来源的影像信息。到现在为止,分类组合已成为一种有效的措施,不仅可以分别选择对应SAR影像和光学影像的基本分类,而且还可以在不同的基本分类器中集成融合结果。多源数据融合所用的理论和方法包括贝叶斯决策理论、Dempster-Shafer证据理论、统计方法和神经网络。以下通过几个例子阐述上述理论与方法的应用,如Solberg 等(1994)提出了基于贝叶斯公式的遥感数据融合框架,该框架利用了不同时间段获取的影像的变化概率的先验知识,通过扩展定义的基本融合模型实现融合时相变化特性,这种方法适合基于不同时间段、从不同来源获取的同一地区的遥感数据融合的土地利用分类。通过Landsat TM影像和ERS-1 SAR影像融合影像的土地利用分类来估计模型的效果。Lee 等(1987)利用两种方法进行多源遥感影像数据和一般的空间数据的信息结合,一种是概率机制,使用全局成员函数(类似于一个联合后向概率)并从已有数据源中得到,另一种是基于Dempster的直角和组合规则的信度微积分。Benediktsson等(1990)介绍了统计分类方法中排列数据质量的可靠方法,在随后分类过程中,就可以根据等级对数据源进行加权,并介绍了神经网络学习过程和统计分类方法在多源遥感数据和地理数据分类中的应用和进行经验性对比。Bruzzone(1999)提出了一种数据融合方法来进行多源和多时态遥感数据的分类,这种方法基于贝叶斯规则得到不同时间段获得的多源数据影像对的“混合”分类的误差最小。

马尔科夫随机场(Markov Random Field,MRF)和支持向量机(Support Vector Ma-chine,SVM)也广泛应用于多源遥感影像分类,如 Solberg 等(1996)提出了基于MRF的多源遥感数据分类的一般性模型,马尔科夫随机场模型利用空间上下文关系和同一场景的不同影像的时相特性,可同时融合光学影像、SAR影像和GIS 数据等多源数据。Waske和 Benediktsson(2007)提出了不同输出的决策融合机制,其中每个数据源是被分开处理的,并应用支持向量机进行分类,每个SVM判别函数的原始输出被用于随后的融合过程,而不是用最后分类结果(即土地覆盖类别)进行融合。Waske和 van der Linden(2008)提出了使用SAR和光学数据的多传感器的多层分割的联合分类策略。